MSEG-VCUQ: Multimodal SEGmentation with Enhanced Vision Foundation Models, Convolutional Neural Networks, and Uncertainty Quantification for High-Speed Video Phase Detection Data

Resumen Técnico: MSEG-VCUQ

1. Planteamiento del Problema

La detección de fases (PD) mediante video de alta velocidad (HSV) es fundamental para monitorear las fases de vapor, líquido y microlámina en procesos de ebullición industrial (reactores nucleares, refrigeración electrónica, etc.). Sin embargo, el análisis de estos datos enfrenta desafíos críticos:

• Limitaciones de los métodos tradicionales: Las técnicas manuales o semiautomáticas (detección de bordes, umbralización) son lentas, subjetivas y fallan ante burbujas superpuestas y patrones de flujo dinámicos.
• Deficiencias de los modelos CNN existentes: Aunque modelos como U-Net han tenido éxito en imágenes de shadowgraphy (sombreado) simples, su generalización es limitada en datos de PD complejos con múltiples fluidos y condiciones experimentales variables.
• Ausencia de Modelos Fundacionales (VFMs): Los modelos fundacionales de visión, como Segment Anything Model (SAM), aún no se han adaptado eficazmente a tareas de PD en ebullición, ni se han aplicado a datos de shadowgraphy o PD.
• Falta de Cuantificación de Incertidumbre (UQ): Los métodos actuales carecen de fiabilidad a nivel de píxel para métricas críticas como la densidad de la línea de contacto y la fracción de área seca, sin considerar errores de discretización.
• Escasez de Datos: No existían conjuntos de datos multimodales de gran escala y código abierto diseñados específicamente para la segmentación de PD en ebullición.

2. Metodología: Arquitectura MSEG-VCUQ

El artículo propone MSEG-VCUQ, un marco híbrido que integra redes neuronales convolucionales (CNN) con modelos fundacionales de visión (VFM) y cuantificación de incertidumbre. El núcleo del sistema es VideoSAM, una arquitectura de dos etapas:

• Generación de Máscara Preliminar (U-Net):
  • Se utiliza una arquitectura U-Net personalizada, fine-tuneada mediante transfer learning (aprendizaje por transferencia) desde dominios de imágenes biológicas (células).
  • Esta etapa captura los límites primarios líquido-vapor y genera máscaras iniciales detalladas para cada modalidad de fluido (Argón, Nitrógeno, FC-72, Agua).
• Refinamiento con Transformadores (VideoSAM):
  • Las máscaras preliminares y las imágenes originales se alimentan a VideoSAM, una extensión del modelo SAM (Segment Anything Model).
  • VideoSAM utiliza un codificador de imágenes basado en Vision Transformer (ViT-H) y un decodificador de máscaras.
  • Aprovecha mecanismos de atención para refinar los bordes, capturando dependencias de largo alcance y detalles finos que las CNN puras podrían perder, especialmente en burbujas densas y superpuestas.
• Cuantificación de Incertidumbre (UQ):
  • Se implementa un marco riguroso para evaluar la fiabilidad de las métricas de ebullición.
  • Se analizan los errores de discretización (relación entre resolución de la cuadrícula y tamaño de la burbuja) mediante simulaciones numéricas.
  • Se utilizan operaciones morfológicas (erosión y dilatación) para mitigar artefactos de borde y calcular el Error Relativo Porcentual (PRE) y el Error Medio (ME) para el perímetro y el área.

3. Contribuciones Clave

1. VideoSAM: Primer modelo híbrido que integra U-Net con la arquitectura Transformer de SAM específicamente para segmentación de PD en video de alta velocidad, logrando una generalización superior en datos multimodales.
2. Conjunto de Datos Multimodal Open-Source: Creación y liberación del primer conjunto de datos de gran escala con pares de imagen-máscara para ebullición, cubriendo múltiples fluidos (Agua, FC-72, Nitrógeno, Argón) y regímenes de ebullición (Pool Boiling, Flow Boiling).
3. Marco de Cuantificación de Incertidumbre: Desarrollo de un pipeline sistemático para cuantificar errores en métricas físicas críticas (densidad de línea de contacto, fracción de área seca), vinculando errores de pixelación con resultados experimentales reales.
4. Validación de Transfer Learning: Demostración de que adaptar modelos entrenados en dominios biológicos a datos de ebullición mejora significativamente el rendimiento en la segmentación de fases.

4. Resultados Experimentales

• Rendimiento de Segmentación:
  • VideoSAM superó consistentemente a los modelos base (U-Net y SAM puro) en entornos complejos (FC-72 y Nitrógeno), logrando puntuaciones IoU (Intersección sobre Unión) de ~0.83 y F1 Scores de ~0.91.
  • En datasets complejos, VideoSAM capturó con mayor precisión burbujas pequeñas y estructuras de interfaz intrincadas en comparación con la umbralización adaptativa, que tendía a subestimar el área seca y fusionar burbujas.
  • En datasets más simples (Agua), U-Net mostró un rendimiento ligeramente superior, lo que sugiere que VideoSAM puede estar ligeramente sobreajustado a escenarios complejos, aunque sigue siendo robusto.
• Precisión de Métricas Físicas:
  • La segmentación basada en U-Net/VideoSAM mostró desviaciones menores (<2% para área seca y <8% para densidad de línea de contacto) frente a anotaciones de expertos humanos, superando ampliamente a los métodos de umbralización.
  • El análisis de histogramas 3D reveló que el modelo propuesto detecta una distribución más completa de tamaños de burbujas, incluyendo las pequeñas, que los métodos tradicionales ignoran.
• Análisis de Incertidumbre:
  • Se identificó que las mediciones de perímetro son más sensibles a la resolución de la cuadrícula que las de área.
  • La aplicación de dilatación redujo el error relativo porcentual del perímetro del 13.8% al 6.6%, mejorando la alineación con los valores reales.
  • La incertidumbre por pixelación en FC-72 (6.8%) fue comparable al error de segmentación, indicando que ambos factores son críticos para la precisión final.

5. Significado e Impacto

Este trabajo establece un nuevo estándar para el análisis de datos de ebullición en experimentos autónomos y aplicaciones de ingeniería:

• Escalabilidad: Permite el procesamiento automatizado y fiable de grandes volúmenes de datos multimodales, eliminando la necesidad de intervención manual intensiva.
• Fiabilidad Física: Al integrar la cuantificación de incertidumbre, los resultados no son solo segmentaciones visuales, sino mediciones físicas con errores estimados, esenciales para validar modelos mecánicos de transferencia de calor.
• Avance Científico: La liberación de los datos y el código fomenta la reproducibilidad y acelera la investigación en dinámica de fluidos y gestión térmica.
• Adaptabilidad: El marco demuestra que los modelos fundacionales de visión pueden adaptarse exitosamente a dominios científicos altamente especializados, superando las limitaciones de las CNN tradicionales en tareas de segmentación de alta complejidad.

En conclusión, MSEG-VCUQ representa un avance transformador al combinar la precisión de las CNN, la generalización de los modelos fundacionales y la rigurosidad estadística de la cuantificación de incertidumbre, ofreciendo una solución integral para la segmentación de fases en ebullición de alta velocidad.